uu.seUppsala universitets publikationer
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Classification of Seismic Body Wave Phases Using Supervised Learning
Uppsala universitet, Teknisk-naturvetenskapliga vetenskapsområdet, Matematisk-datavetenskapliga sektionen, Institutionen för informationsteknologi.
2019 (Engelska)Självständigt arbete på avancerad nivå (masterexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)
Abstract [en]

The task of accurately distinguishing between arrivals of different types of seismic waves is a common and important task within the field of seismology. For data generated by seismic stations operated by SNSN this task generally requires manual effort. In this thesis, two automatic classification models which distinguish between two types of body waves, P- and S-waves, are implemented and compared, with the aim of reducing the need for manual input. The algorithms are logistic regression and feed-forward artificial neural network. The applied methods use labelled historical data from seismological events in Sweden to train a set of classifiers, with a unique classifier associated with each seismic station. When evaluated on test data, the logistic regression classifiers achieve a mean accuracy of approximately 96% over all stations compared to approximately 98% for the neural network classifiers. The results suggest that both implemented classifiers represent a good option for automatic body wave classification in Sweden.

Ort, förlag, år, upplaga, sidor
2019. , s. 59
Serie
IT ; 19036
Nationell ämneskategori
Teknik och teknologier
Identifikatorer
URN: urn:nbn:se:uu:diva-396766OAI: oai:DiVA.org:uu-396766DiVA, id: diva2:1368915
Utbildningsprogram
Masterprogram i tillämpad beräkningsvetenskap
Handledare
Examinatorer
Tillgänglig från: 2019-11-08 Skapad: 2019-11-08 Senast uppdaterad: 2019-11-08Bibliografiskt granskad

Open Access i DiVA

fulltext(2499 kB)4 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 2499 kBChecksumma SHA-512
cf3da101edc6bdc4a18e0b826f7b3e7d918a2efcd30ec6e9e847d12e70a930c7329708f9cc2e0a5167337c9dace4068690098a856d7ebee07ca804b8e77d5a38
Typ fulltextMimetyp application/pdf

Av organisationen
Institutionen för informationsteknologi
Teknik och teknologier

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 4 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 87 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf